无偏性、相合性与有效性
/ BY-us, kun-SIS-ten-see, eff-ISH-en-see /
把估计量想象成一位向靶子射箭的弓箭手：靶心是未知的真值，每一支箭是来自一个样本的估计。三个独立的问题描述了这位弓箭手有多好。箭是否以靶心为中心，还是系统性地偏向一侧？随着弓箭手用更大的弓射出越来越多的箭，它们是否会逐渐逼近靶心？而在所有都射得正中的弓箭手里，谁的箭落得最为密集？这三个问题，就是无偏性、相合性与有效性。
偏差是估计量产生的平均值与真值之间的差；无偏估计量的偏差为零，即便单次射击会脱靶，平均而言仍命中靶心。相合性意味着当样本量无限增大时，估计量会收敛到真值——给它无限的数据，它就给出正确答案。有效性比较的是相互竞争的估计量的散布（方差）：有效的那个方差最小，因此能用同样的数据最紧地锁定真值。一个微妙之处是：这是三种不同的优点。常用的样本方差用 (n 减 1) 而非 n 来除，正是消除偏差的著名修正；一个估计量可以有偏却相合，也可以无偏却噪声大得无可救药。
精算师关心这些，是因为真实的决策建立在估计出的费率与准备金之上，而这三种性质告诉你该信任哪个估计量。这里常存在权衡：一个略有偏差但方差小得多的估计量，可以胜过一个无偏却抖动剧烈的估计量，这种平衡由均方误差（偏差的平方加方差）来刻画。这正是信度加权与现代收缩方法背后的逻辑——它们刻意接受一点偏差，以换取大量的稳定性，远比一个“纯粹”却极不稳定的估计有用。
用平方离差除以 n 来估计投资组合的方差，平均而言会低估它——这是一个微小却真实的偏差。改用 (n 减 1) 来除则消除了这种偏差，这正是软件默认采用 (n 减 1) 版本的原因。
(n 减 1) 这个除数，是从估计量中消除偏差的教科书范例。
无偏不等于最好。一个方差小得多的有偏估计量，整体误差（均方误差）往往更低——这正是信度与收缩方法的全部要点。